人工智能時代反壟斷法的挑戰：算法共謀的競爭威脅與制度構建

劉奕麟

(吉林大學 法學院，吉林 長春 130000)

1 算法共謀對市場競爭的挑戰

算法本質上是將輸入轉換為輸出的一系列操作。在OECD 2017年的研究報告中，將算法定義為：“算法是一組明確的、精確的、簡單操作的列表，這些操作被機械地和系統地應用于一組指令或物體，例如，國際象棋棋子的配置、數字、蛋糕成分等。”指令的初始狀態是輸入，最后的狀態是輸出。[1]算法基于其開發和使用目的的不同，可以按照其功能類型進行有效的分類，具體可以劃分為11個類別[2]，如表1所示。

表1 算法分類

其中，算法共謀主要集中在搜索算法、推薦算法、分配算法、監控算法和定價算法之中，競爭監管機構的政策文件也主要關注這些類型的算法[3]。此外，算法還可以根據技術類型進行分類，主要包括人工智能(AI)、機器學習和深度學習，由于和算法共謀的關聯有限，本文不再詳細展開。

定價算法可以提高企業之間相互依賴的效率，并促進許多市場上的隱性共謀。首先，算法可以讓企業保持超競爭性水平的價格穩定。如果其中一項承諾偏離了其他同謀者，將能夠通過快速交互迅速降低價格，使得共謀的結果更加持久[4]。其次，算法可能會影響市場的整體透明度。在其他企業行為可解釋的情況下，通過算法可以輕易得出使企業利潤最大化的價格水平。例如，成本函數和個別需求函數是設定價格的主要因素，而透明度導致可以更好地預測競爭對手所面臨的因素[5]。再次，算法也可以創造進入壁壘。合算算法可以降低價格，使新的進入者難以留在市場，從而導致競爭的結束。算法因此可以創造許多可維持的寡頭獨占市場，也可以在非寡頭獨占市場中實現合謀[6]。

由于企業之間就價格達成水平協調具有降低福利的作用，因此一直被認為是一種對市場競爭有害的行為[7]。《反壟斷法》第16條明確規定：“本法所稱壟斷協議，是指排除、限制競爭的協議、決定或者其他協同行為。”禁止通過協議或共同行為進行串通，達成壟斷協議。因此，明示和隱含的協議都可能違反第16條。另一方面，通常意義上認定企業違法性共謀，需要滿足幾個標準：(1)各企業之間要有協調行為；(2)這種協調應該是直接或間接溝通的結果；(3)溝通的目的應該是減少市場中的不確定性，有效地改變企業在市場中的行為。

除了《反壟斷法》規定以外，《禁止壟斷協議規定》(2023年4月生效)、《關于平臺經濟領域的反壟斷指南》(2021年2月頒布)以及《最高人民法院關于審理壟斷民事糾紛案件適用法律若干問題的規定(公開征求意見稿)》(最終生效稿還未頒布)，都對涉及算法的“新型”壟斷協議進行了系統化的規定。其中《禁止壟斷協議規定》針對共謀或協同行為的認定以市場主體“行為的一致性”與“意思聯絡或信息交流”為考慮因素；《關于平臺經濟領域的反壟斷指南》第9條規定了在直接證據難以獲取的情形下，可以采納間接證據作出協同行為的認定；《關于反壟斷民事訴訟司法解釋稿向社會公開征求意見的公告》第20條，對經營者能否對行為的一致性作出合理解釋作出了進一步的限定，實質上是減輕了原告的舉證負擔，而將協同行為的證明義務更多地施加給經營者。協同行為的認定如圖1所示。

圖1 協同行為的認定

算法幫助或促成共謀的主要方式大致可以分為四種情形，分別為：傳令共謀(Messenger)、軸輻共謀(Hub and Spoke Complicity)、可預測共謀(Predictable Agent)和算法自主共謀(Autonomous Tacit Collusion)。

傳令共謀是最直接的達成共謀的情形。企業在使用定價算法時顯式地相互勾結，決定參與串謀的經營者達成協議，并實施定價算法以維持串謀行為[8]。算法的作用有幾個級別：首先，它監控其他參與者發送的數據并做出反應，以產生超有競爭力的價格水平。其次，該算法對企業的行為發出信號，以便其他參與者可以采取相應的立場。第三，如果企業決定偏離協議的其他各方，它會做出反應，懲罰偏離者[9]。懲罰的方法有很多種，例如，如果偏離者選擇降低其價格，其他參與者可以將價格降到低于偏離者的價格，并迫使偏離者退出市場。

軸輻共謀是一種比共傳令共謀更間接的手段。企業通過使用第三方的算法來實現相互勾結。因此，他們不是與橫向競爭對手達成串謀協議，而是利用樞紐作為串謀的間接推動者。例如，經銷商可以作為下游市場的供應商的價格固定者。橫向競爭對手可以選擇相同或類似的定價算法。通過外包價格制定過程，企業繞過了與橫向競爭對手溝通的需要，從而在超越競爭水平上制定價格。這些企業實際上是通過共享敏感信息成功地進行了串通[10]。此外，軸輻共謀模式帶來的監管挑戰在于企業之間的共謀意圖難以認定，因為當企業選擇參與這種商業模式時，其目的不一定是操控價格。傾向采用相同算法定價的競爭對手有可能純粹出于算法優勢而如此選擇。因此，企業應可以優先考慮采用性能更優的算法，畢竟譴責沒有反競爭意圖而選擇最優策略的行為違反了反壟斷法的本質[11]。

可預測共謀，這種情況是可預測的代理。企業開發自己的定價算法，通過集體設定極具競爭力的價格來明確地追求利潤最大化。在博弈論中，企業對當前市場的最佳策略是設定超競爭性價格水平。為了實現了剩余利潤，企業的目標是在相關市場上可以實現隱性共謀。各企業的承諾行為像締結了卡特爾協議的參與方，可以通過經典的信號與反饋模型加以解釋。企業的定價算法可以向其他競爭對手發出共謀信號，即價格高于競爭水平。其他競爭對手的定價算法需保持同一水平或跟隨上漲。如果價格未上漲至發起者水平，即向發起者證明其他企業無意形成共謀結果，發起者將再次降低價格。在后一情況下，其他企業的反饋信號構成卡特爾準協議。此時，參與方可以同時逐步提高價格，直至利潤最大化[12]。

算法自主共謀，又被稱之為算法的“數字之眼”，隨著客戶和供應商一端數據集的不斷增長，越來越多的企業選擇實現自我學習算法[13]。自學習算法是自動決定最優解過程算法的一個專門子集。通常，自學習算法被要求以最好的方式執行任務[14]。通過分析標記數據集，監督算法映射從輸入到最佳輸出的方法，強化學習的過程主要是在環境中尋求回報[15]。在完成足夠數量的測試后，算法在可觀察條件下以最佳方式執行初步任務。

企業還可以采用自學習算法來確定價格的水平動態。當利潤最大化被編碼為最終目標時，可將客戶和供應商的數據輸入，以確定實現目標所需的最優定價水平。在有監督學習中，數據點的結構可以按照相關市場的適當市場條件進行分配，算法會根據瞬時的市場條件，告訴企業最優的價格水平[13]。人在定價中的作用主要是定義算法的最終任務、決定哪些數據集將提供給算法。正如“黑箱模型”所表明的，算法的運作模式以及找到最佳解決方案的路徑并不總是可以理解的。

實踐中已經出現了這種算法自主達成隱性共謀的案例。例如，德國汽油零售市場存在的算法勾結，根據德國16 027個加油站2014年初至2019年底每分鐘一次的燃料價格數據(超級E5、超級E10和柴油)，以及相關市場條件：(1)車站1公里半徑范圍；(2)五位郵政編碼范圍。算法定價可能通過兩種機制引起價格上漲，即 (1)未學會有效競爭，如未對競爭對手作出最優反應；(2)學習不競爭，即暗中串通[16]。該案印證了定價算法可以學習隱性的串通定價策略，而這目前在大多數司法管轄區是合法的。

2 制度挑戰：反壟斷法規制算法共謀的具體困境

由于算法存在自主共謀的情形，給法律的監管造成了巨大的挑戰。基于默契而又“自覺的平行”，競爭對手之間并不存在任何非法的協議，甚至不存在任何接觸或溝通。算法的自我學習可以在沒有人類程序員的知識或意圖的情況下，獨立地達成默契[17]。機器學習的進步和市場透明度的提高，最終可能會使自學習算法單方面決定利潤最大化的價格。

因此，算法共謀會為反壟斷法的帶來的挑戰包括：當價格優化算法增強競爭對手暗中串通的能力時，當前的反壟斷框架是否還應該繼續以有意識的溝通為認定要件？對于算法來說，協議的法律概念是否已經過時？當前的反壟斷法是否足以阻止和防止算法默契的共謀？執法機構應該如何識別算法合謀的發生，特別是在定價是動態模型的情況下？應該考慮哪些額外的措施來減少各行業使用定價算法帶來的風險？企業應該以何種方式將道德和合法性整合到算法的設定程序中？企業是否應該就算法的編程承擔義務，就算法的自主共謀承擔必要的責任？

在法律規制上的困境主要表現為：

(1)算法共謀在技術上存在著隱蔽性和難以證明性。算法共謀與“未簽訂書面協議”的協調行為不同，在促進和加強暗中勾結的程度，以及證明協調價格的意圖上更具隱蔽性與可持續性[10]。即使私人原告、美國司法部或歐盟競爭委員會有充分的反競爭平行行為的證據，當市場條件存在默許串通時，這些證據本身也不能作為協議或非法協調行為的證據。相反，法院將假定有可能存在暗中勾結，并要求提供額外的證據，這些證據通常包括非法通信的證據。只有當平行行為不能被解釋為隱性共謀(或由于其他因素)的結果時，它才可以作為非法共謀的證據。而最重要的證據通常是非經濟證據，表明存在一個實際的、明確的不競爭協議。

(2)對串通行為的認定存在一定的爭議性。信息交換是維持合謀的必要條件，因為合謀者需要發送和接收可能的業務操作的子集[18]。這一機制使企業能夠自我調整以適應可持續的超競爭性價格水平。此外，不能僅憑信息交換就認定構成共謀。由于市場在最近幾十年變得越來越透明。例如，許多企業在網上公布價格，以便創造一個消費者可以比較價格并作出相應選擇的環境。甚至可以說，不分享即時價格會將企業逐出市場。企業為了競爭，監測和分享信息可能是必要的。因此，以助長勾結為由，對所有情報交換行為采取敵對態度是有問題的[19]。

(3)算法共謀責任歸屬的界定存在分歧。由于“算法黑箱”的存在，企業預測這些算法將如何運行的能力是有限的。對所有的算法勾結予以違法性認定，可能會最終導致自學習價格算法被事實上禁止，將嚴重減緩自學習算法的發展。因此，競爭監管機構必須要有強有力的論據支持，綜合其他衡量指標如市場份額、進入壁壘以及行業特征等來證明算法自主共謀。

3 改進方案：算法共謀違法性認定的規則重構

定價算法可以通過削弱競爭對手降價的動機從而影響其競爭力。因此，僅通過擴大共謀或溝通的定義，并不能解決算法的軸輻共謀和自主性共謀的情形。現有的司法框架無法完全涵蓋算法造成的反競爭效應案件。這種不足表現為，其錯誤地忽略了算法合謀案件中的關鍵點，即造成損害的是算法產生的合謀效應本身，而非企業間的直接溝通。因此，考察算法可能產生的隱性合謀效應本身具有重要意義。

至今為止，算法隱性共謀一直被視為邊緣案例。這種觀點存在如下限制：(1)操縱定價的共謀行為難以在沒有共同規則、威懾措施與必要溝通的情況下持續；(2)相關市場必須由近似同質產品組成，價格平行調整才可能達到同一水平；(3)企業必須能夠迅速響應價格變動[20]。然而，算法要么使上述條件過時，要么在這些條件失效的情況下產生限制競爭效應。例如，在數字經濟場景下，橫向壟斷協議的達成不是由企業代表直接商定，而是算法自動產生[21]。信息交流的必要性也由于市場透明度提高與對企業行為的監測而減少。

從各國執法的實踐發展來看，算法自主性共謀已不再是個案。已經出現的實例包括：(1)美國Topkins和英國GB Eye Trod的在線海報零售商使用簡單的定價算法來協調價格[22]；(2)立陶宛在線旅游平臺提供便利，向旅行社發送電子郵件，稱其為折扣上限；(3)西班牙房地產公司使用一種通用的經紀軟件來協調價格[23]；(4)歐盟電子產品制造商限制零售商獨立，設定銷售價格實施轉售價格維持[24]。

此外，關于軸輻共謀，在美國最近關于算法合謀的集體訴訟中也有所體現。2023年1月25日，多家美國酒店共同向美國內華達州聯邦地區法院提起集體訴訟。相關市場為拉斯維加斯大道上的酒店客房出租市場。本案中被告使用了第三方供應商Rainmaker Group的三款算法：GuestRe、RevCaster、GroupRev。GuestRev是為賭場酒店量身定制的算法，可為單間客房推薦定價，Rainmaker Group聲稱其采納率達90%；RevCaster允許企業通過收集競爭對手的市場定價數據來監測并響應對手定價；GroupRev可預測團隊預訂客戶的需求，如10人以上團隊參加會議。本案中，被告使用第三方定價算法，雖然各酒店未直接分享定價信息，但通過算法均可獲得其他酒店的定價數據與策略，最終推高市場價格，協同排除價格競爭，損害了消費者利益。產生的影響屬于典型的“輪輻式算法共謀”。

針對算法共謀盛行的現象，Michal Gal提出幾點解決算法共謀的補救建議[25]：(1)通過市場自發解決。即消費者集中為購買群體，獲得購買權力。通過增加購買較低價格產品的激勵，可破壞賣家之間的協調。(2)通過合并審查，禁止或補救增加算法共謀風險而無相抵利益的合并。(3)引入推行破壞性算法。監管機構指定并資助一家企業運營破壞性算法，提供相對較低具有潛在競爭力的價格，在供應端制造噪聲，從而破壞協調。(4)規定定價算法對市場條件的滯后監管。在不同時期凍結一家企業的價格(即最低價格企業)，激勵其他企業以低于該企業的價格增加產能。Michal Gal的建議從市場層面與監管層面提供了解決方案。市場層面，通過消費者集權及購買激勵，破壞協調定價。監管層面，通過合并審查制止不利競爭的并購，推行破壞性算法，引導定價調整。定價算法滯后反應，在定價上制造不利差異，破壞算法的自主性協調。我國在補救措施的運用上可以采取類似的方法。

另一種辦法是從管制層面入手來解決算法共謀問題。首先，通過事先對算法的設計施加影響，以避免算法的默示共謀；其次，在引入算法定價軟件后，如果價格上升到潛在的共謀水平，則采取監管措施將價格降至競爭性水平[26]；再次，數字平臺可以通過使用平臺設計規則，例如，如何對產品進行排名或向消費者展示產品等方式來引導消費者需求，從而避免擾亂在線賣家在其平臺上的串謀[27]。

結合算法共謀的特點與上述建議，在規制算法共謀的規則層面，反壟斷法可以納入以下制度優化的建議：

首先，在價值選擇上兼顧公平與效率。定價算法可以創造大量的效率收益并降低交易成本，這一點已被廣泛接受[28]。由于算法本身具備提高效率促進創新的價值，特別是在需求側和供給側層面[29]，算法提供了許多提高效率和促進競爭的方法：(1)算法可以是顛覆性創新的基礎，從而產生新的或改進的產品。例如，產品可以根據消費者的具體需求進行個性化和定制。(2)算法可以通過改進生產流程或提高工人生產率來降低成本。(3)它們可以通過允許較小的新進入者獲得市場洞察或以較低的價格開發新的顛覆性產品，來降低進入壁壘成本。(4)算法可以為消費者提供一系列合適的產品，并在競爭的關鍵維度(價格、質量和消費者偏好)上提供比較信息，從而降低客戶搜索成本。例如，比價網站為消費者提供一系列商品和服務的即時價格比較；價格監控工具可以在價格特別低的時候通知消費者；人工智能甚至被用于產品識別，使消費者更容易準確地找到他們想要的東西。(5)算法可以更好地平衡供求關系。

其次，需要擴大串通的定義和協同行為的認定標準[30]。共謀是否開始，取決于相關市場中其他企業的反應。特別考慮到算法是專門為執行這一操作而被設計時，算法為了達成共謀而做出的明智決定，強化了橫向價格一致的第一價格信號，從而加強了串通和協調一致。此外，還可以通過觀察隱性串通與協調一致行為的可持續性，來作為界定具有串通行為的動機要件，隨著定價算法的采用，針對這種協調一致的新通信形式可能會出現，除了定價算法的價格信號，在數字眼場景中，透明度也可能產生適當的條件來促進共謀。自學習算法可以解碼彼此的行為從而相互勾結。因此，需要擴展串通和溝通的認定標準，算法勾結如果滿足動機性和持續性應該被解釋為存在溝通和協調一致的行為。

最后，需要構建和明確算法共謀的責任歸屬。針對算法自主實施的隱性共謀，目前的《反壟斷法》無法進行有效規制，解決這一問題的突破口在于如何界定平臺企業的歸責問題。筆者認為，平臺對自學習算法的自主性共謀需要承擔責任。而解決歸責問題的關鍵在于企業對共謀效應的忽視可以被解釋為具有反競爭意圖。在此，可以借鑒波斯納(Posner)的觀點[31]。波斯納認為暗中串通屬于企業的自愿選擇。在某些市場條件與證據下，即使沒有明示協議，企業的行為也顯示出一致共謀。鑒于此，波斯納提出了幾個判斷共謀證據的基準：(1)價格歧視模式，即產品價格與邊際成本之間的系統偏差，可能顯示企業在維持過高定價。(2)長期產能過剩。企業選擇維持較低產能而非優化生產，可能是共謀戰略的體現。(3)價格變動幅度較小。(4)異常利潤，與定價過高相呼應。(5)僵硬的市場份額。共謀市場企業不會通過挖掘競爭者份額獲利，而是維持現狀。(6)共謀市場對需求或成本變化反應不如預期，這顯示企業參與共謀或發現共謀后拒不退出。

4 結論

波斯納的分析方法為算法導致的共謀提供了參考。總體而言，判斷企業共謀存在需要考慮相關市場的認定與企業的具體行為，而非僅憑主觀推定。這需要結合定價、產能、利潤與市場變化等因素進行判斷。雖然算法的“Digital Eye”在作出定價決策時具有相當的自主權，這使企業難以直接操控或責備其行為，但企業作為算法的運營主體，其對算法產生的效應與結果并非完全無知。波斯納提出的判斷共謀的六大證據標準，為企業判斷自學習算法何時可能產生反競爭效應提供了依據。此外，雖然企業無法直接影響算法的運行機制，但其對算法結果與效應的了解程度，以及對此采取的態度與行動，體現其競爭意圖。綜上，鑒于算法的工具性質，對其行為導致的結果，平臺企業需要承擔充分的審查責任與注意義務。